محققان مدلی بر‌پایه‌ی یادگیری ماشینی هوش مصنوعی توسعه داده‌اند که مدارهای کوانتومی را از توضیحات متنی تولید می‌کند. این مدل مشابه مدل‌هایی مانند Stable Diffusion است که تصاویر را ایجاد می‌کنند.
به‌گزارش تک‌ناک، یکی از پیشرفت‌های مهم اخیر در یادگیری ماشینی (ML) مدل‌های مولد مانند مدل‌های انتشار است. این‌ها Stable Diffusion و Dall-E را شامل می‌شوند که در حال انقلاب درزمینهی تولید تصویر هستند. این مدل‌ها می‌توانند براساس توضیحات متنی تصاویری با‌کیفیت تولید کنند.
گورکا مونیوزگیل از بخش فیزیک نظری دانشگاه اینسبروک اتریش توضیح می‌دهد:
مدل جدید ما برای برنامه‌نویسی کامپیوترهای کوانتومی کار مشابهی را انجام می‌دهد؛ اما به‌جای تولید تصاویر، مدارهای کوانتومی را براساس توضیحات متنی عملیات کوانتومی مدنظر تولید می‌کند.
به‌نقل از Scitechdaily، برای آماده‌کردن حالت کوانتومی خاص یا اجرای الگوریتم روی کامپیوتر کوانتومی، باید دنباله‌ی مناسبی از گیت‌های کوانتومی را برای انجام چنین عملیاتی پیدا کرد. در‌حالی‌که این کار در محاسبات کلاسیک نسبتاً آسان است، به‌دلیل ویژگی‌های خاص دنیای کوانتومی، در محاسبات کوانتومی مشکل بزرگی است.
اخیراً دانشمندان زیادی روش‌هایی را برای ساخت مدارهای کوانتومی با اتکا به روش‌های یادگیری ماشینی پیشنهاد کرده‌اند. با‌این‌حال، آموزش این مدل‌های یادگیری اغلب به‌دلیل ضرورت شبیه‌سازی مدارهای کوانتومی حین یادگیری ماشین بسیار دشوار است. مدل‌های انتشار به‌دلیل نحوه‌ی آموزش آن‌ها از چنین مشکلاتی جلوگیری می‌کنند.
این امر مزیت فوق‌العاده‌ای را به‌ارمغان می‌آورد. گورکا مونیوزگیل این روش جدید را به‌همراه هانس جی. بریگل و فلوریان فوروتر توسعه داده است. وی توضیح می‌دهد:
نشان می‌دهیم که مدل‌های انتشار در نویززدایی در تولید خود دقیق و بسیار انعطاف‌پذیر هستند و امکان تولید مدارهایی با تعداد کیوبیت‌های مختلف و انواع و تعداد گیت‌های کوانتومی را فراهم می‌کنند.
مدل‌ها می‌توانند برای آماده‌سازی مدارهایی که اتصالات سخت‌افزار کوانتومی را در نظر می‌گیرند (نحوه‌ی اتصال کیوبیت‌ها در کامپیوتر کوانتومی)، تطبیق داده شوند. گورکا مونیوزگیل درباره‌ی یکی دیگر از قابلیت‌های احتمالی روش جدید می‌گوید:
از‌آنجا‌که تولید مدارهای جدید پس از آموزش مدل بسیار ارزان است، می‌توان از آن برای کشف دانش جدید درزمینهی عملیات کوانتومی مدنظر استفاده کرد.
روش توسعه‌یافته در دانشگاه اینسبروک مدارهای کوانتومی را براساس مشخصات کاربر و متناسب با ویژگی‌های سخت‌افزار کوانتومی که مدار روی آن اجرا می‌شود، تولید می‌کند. این موضوع گام رو‌به‌جلو مهمی برای رها‌کردن توان کامل محاسبات کوانتومی است. مطالعه‌ی دانشمندان در مجله‌ی Nature Machine Intelligence منتشر شده است.
